提出了一种基于M估计量的在线序列极限学习机（M-OSELM）来预测具有离群值的混沌时间序列。 M-OSELM是从在线顺序极限学习机（OSELM）算法发展而来的，并保留了与OSELM相同的出色顺序学习能力，但是用基于M估计器的稳健成本函数取代了传统的最小二乘成本函数，以增强模型的鲁棒性。 通过最小化基于M估计器的成本函数，可以防止可能的异常值进入模型的输出权重更新方案。 同时，在M-OSELM的顺序学习过程中，引入了一种基于误差滑动窗的顺序参数估计方法，以估计Mestimator函数的阈值，用于在